National Transport Library Research Database

Från prognos till framsyn: Beslutsfattande under djup osäkerhet för planering av långdistant transportplanering (From forecast to foresight: Decision making under deep uncertainty for long-distance transport planning)

  • Ma, Zhenliang
  • Kungliga tekniska högskolan, Universitet eller högskola, 202100-3054
Sponsors, duration, budget: Trafikverket ; 2024-04-01 -- 2026-11-30 Registration number:
  • Trafikverket 2023/109408
Subject(s): Abstract: I Sverige används prognosmodellerna Sampers och Samgods av Trafikverket (TRV) som planeringsverktyg för passagerar- och godstransporter. I ett pågående forskningsprojekt, MUST, har olika typer av osäkerheter för modellerna Sampers och Samgods identifierats och grupperats i fem kategorier: modellinput, modellen själv, modellimplementering, kalibrering och systemgränser. Denna projektansökan, som bygger på MUST-resultaten, syftar till att öka TRV:s planeringskapacitet genom att ta itu med de osäkerhetsfaktorer som är relaterade till modellens indata och själva modellen. Detta uppnås genom att utveckla och demonstrera metoder och verktyg baserade på forskningsfronten och verktyg med öppen källkod (t.ex. TMIP-EMAT), AI/maskininlärning dataanalys, samt kalibrering av Sampers planeringsmodell med hjälp av enkät- och mobiltelefondata. Ett konkret användningsfall för att integrera ramverket med Sampers långdistansmodell kommer att genomföras för att visa kapaciteten hos DMDU-ramverket (DMDU4LDT). DMDU4LDT-projektet genomförs i fem arbetspaket, inklusive 1) Utveckla DMDU- ramverket för långdistanstransporter (metodik, data, verktyg) genom att lära av amerikansk praxis och MUST-projektet. 2) Ta itu med modellosäkerheterna genom att kalibrera och validera modellen med hjälp av flera datakällor. 3) Utveckla AI/maskininlärningsmodeller för att approximera Sampers modell för DMDU-analysen. 4) Ta itu med osäkerheterna i modellens indata genom att utveckla verktyget DMDU4LDT. 5) Demonstrera DMDU4LDT-verktyget för robust politiskt beslutsstöd för projektfallet Norrbottniabanan.Abstract: In Sweden the passenger and freight transport forecasting models Sampers and Samgods are used by Trafikverket (TRV) as the planning tools. In an ongoing research project MUST, different types of uncertainties for the Sampers and Samgods models were identified and grouped into five categories: model inputs, model itself, model implementation, calibration, and system limits. This project application, which builds on MUST results, aims to augment the TRV’s planning capabilities by addressing the uncertainty factors related to the model inputs and the model itself. This is achieved by developing and demonstrating methods and tools based on the research front and open- source tools in DMDU (e.g., TMIP-EMAT), AI/machine learning data analytics, as well as the Sampers planning model calibrated using the survey and mobile phone data. A concrete use case of integrating the framework with the Sampers long-distance model will be carried out to demonstrate the capability of the DMDU framework (DMDU4LDT). The DMDU4LDT project is carried out in five workpackages including: 1) Develop the DMDU framework for long-distance transport (methodology, data, tools) through learning from US practices and the MUST project. 2) Address the model uncertainties by calibrating and validating the model using multiple data sources. 3) Develop AI/machine learning models for approximating Sampers model for the DMDU analysis. 4) Address the model inputs uncertainties by developing the DMDU4LDT tool. 5) Demonstrate the DMDU4LDT tool for robust policy decision support for the Norrbottniabanan case.
Item type: